論文の概要: DRespNeT: A UAV Dataset and YOLOv8-DRN Model for Aerial Instance Segmentation of Building Access Points for Post-Earthquake Search-and-Rescue Missions

• arxiv url: http://arxiv.org/abs/2508.16016v2
• Date: Fri, 12 Sep 2025 09:50:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 14:04:03.070175
• Title: DRespNeT: A UAV Dataset and YOLOv8-DRN Model for Aerial Instance Segmentation of Building Access Points for Post-Earthquake Search-and-Rescue Missions
• Title（参考訳）: DRespNeT: 地震後の捜索救助任務のためのビルアクセスポイントの空洞分割のためのUAVデータセットとYOLOv8-DRNモデル
• Authors: Aykut Sirma, Angelos Plastropoulos, Gilbert Tang, Argyrios Zolotas,
• Abstract要約: DRespNeTは、地震後構造環境の空中インスタンスセグメンテーションのための高解像度データセットである。 構造的に損なわれた建物、ドア、窓、隙間などのアクセスポイント、複数の破片レベル、救助隊員、車両、市民の視認など、28の運用上重要なクラスで構成されている。 DRespNeTの特徴は、その微細なアノテーションの詳細であり、アクセス可能な領域と障害のある領域の区別を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in computer vision and deep learning have enhanced disaster-response capabilities, particularly in the rapid assessment of earthquake-affected urban environments. Timely identification of accessible entry points and structural obstacles is essential for effective search-and-rescue (SAR) operations. To address this need, we introduce DRespNeT, a high-resolution dataset specifically developed for aerial instance segmentation of post-earthquake structural environments. Unlike existing datasets, which rely heavily on satellite imagery or coarse semantic labeling, DRespNeT provides detailed polygon-level instance segmentation annotations derived from high-definition (1080p) aerial footage captured in disaster zones, including the 2023 Turkiye earthquake and other impacted regions. The dataset comprises 28 operationally critical classes, including structurally compromised buildings, access points such as doors, windows, and gaps, multiple debris levels, rescue personnel, vehicles, and civilian visibility. A distinctive feature of DRespNeT is its fine-grained annotation detail, enabling differentiation between accessible and obstructed areas, thereby improving operational planning and response efficiency. Performance evaluations using YOLO-based instance segmentation models, specifically YOLOv8-seg, demonstrate significant gains in real-time situational awareness and decision-making. Our optimized YOLOv8-DRN model achieves 92.7% mAP50 with an inference speed of 27 FPS on an RTX-4090 GPU for multi-target detection, meeting real-time operational requirements. The dataset and models support SAR teams and robotic systems, providing a foundation for enhancing human-robot collaboration, streamlining emergency response, and improving survivor outcomes.
• Abstract（参考訳）: 近年のコンピュータビジョンと深層学習の進歩は、特に地震の影響のある都市環境の迅速な評価において、災害対応能力を高めている。 アクセス可能なエントリポイントと構造的障害のタイムリーな識別は、効率的な検索・救助(SAR)操作に不可欠である。 DRespNeTは、地震後構造環境の空中インスタンスセグメンテーション用に開発された高分解能データセットである。 衛星画像や粗いセマンティックラベリングに大きく依存している既存のデータセットとは異なり、DRespNeTは2023年のトゥルキー地震などの災害帯で撮影された高解像度(1080p)の空中映像から得られた詳細なポリゴンレベルのインスタンスセグメンテーションアノテーションを提供する。 このデータセットは28の運用上重要なクラスで構成されており、構造的に損なわれた建物、ドア、窓、隙間などのアクセスポイント、複数の破片レベル、救助隊員、車両、市民の視認性などが含まれる。 DRespNeTの特徴は、その微細なアノテーションの詳細であり、アクセス可能領域と障害領域の区別を可能にし、運用計画と応答効率を改善することである。 YOLOベースのインスタンスセグメンテーションモデル、特にYOLOv8セグを用いた性能評価は、リアルタイムの状況認識と意思決定において顕著に向上したことを示す。 最適化されたYOLOv8-DRNモデルは,マルチターゲット検出のためのRTX-4090 GPU上での推論速度27 FPSで92.7%のmAP50を達成する。 データセットとモデルはSARチームとロボットシステムをサポートし、人間とロボットのコラボレーションの強化、緊急対応の合理化、生存者の成果の改善のための基盤を提供する。

関連論文リスト

• A Deep Learning framework for building damage assessment using VHR SAR and geospatial data: demonstration on the 2023 Turkiye Earthquake [1.6070833439280312]
  災害直後の被害の特定は緊急対応・復旧の指導に不可欠である。 超高分解能(VHR)合成開口レーダ(SAR)画像を用いた建物損傷検出のための新しい多モードディープラーニング(DL)フレームワークを提案する。 SAR画像パッチ、OpenStreetMap(OSM)構築フットプリント、デジタル表面モデル(DSM)データ、グローバル地震モデル(GEM)の構造と露出特性を統合する。 その結果,地理空間的特徴を取り入れることで,これまで見られなかった領域に対する検出性能と一般化性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2025-06-27T15:49:58Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• High Performance Space Debris Tracking in Complex Skylight Backgrounds with a Large-Scale Dataset [48.32788509877459]
  高精度なデブリ追跡を実現するために,深層学習に基づく空間デブリ追跡ネットワーク(SDT-Net)を提案する。 SDT-Netはデブリの特徴を効果的に表現し、エンドツーエンドのモデル学習の効率性と安定性を高める。 データセットとコードはまもなくリリースされます。
  論文  参考訳（メタデータ） (2025-06-03T08:30:25Z)
• An Edge AI Solution for Space Object Detection [29.817805350971366]
  宇宙物体検出タスクのための深層学習に基づく視覚センシングに基づくエッジAIソリューションを提案する。 我々は,これらのモデルの性能を,様々な現実的な空間オブジェクト検出シナリオで評価する。
  論文  参考訳（メタデータ） (2025-05-08T14:51:19Z)
• SAR Object Detection with Self-Supervised Pretraining and Curriculum-Aware Sampling [41.24071764578782]
  衛星搭載合成開口レーダ画像における物体検出は、都市モニタリングや災害対応といったタスクにおいて大きな可能性を秘めている。 衛星搭載SAR画像における小さな物体の検出は、比較的低い空間分解能と固有のノイズのため、特に複雑な問題を引き起こす。 本稿では,SARオブジェクト検出モデルであるTransARを紹介する。
  論文  参考訳（メタデータ） (2025-04-17T19:44:05Z)
• Post-Hurricane Debris Segmentation Using Fine-Tuned Foundational Vision Models [18.008592164636664]
  この研究は、Hulicanes Ian、Ida、Ikeの約1200個の手動の空中RGB画像からなるオープンソースデータセットを導入している。 人間のバイアスを緩和し、データ品質を向上させるため、複数のアノテータからのラベルを戦略的に集約し、視覚的なプロンプトエンジニアリングを採用する。 結果として得られた細調整されたモデルであるfCLIPSegは、ハリケーン・アイダのデータからデブリのない地域では事実上偽陽性のDiceスコアが0.70に達する。
  論文  参考訳（メタデータ） (2025-04-17T00:08:50Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• DailyDVS-200: A Comprehensive Benchmark Dataset for Event-Based Action Recognition [51.96660522869841]
  DailyDVS-200は、イベントベースのアクション認識コミュニティに適したベンチマークデータセットである。 実世界のシナリオで200のアクションカテゴリをカバーし、47人の参加者によって記録され、22,000以上のイベントシーケンスで構成されている。 DailyDVS-200には14の属性がアノテートされており、記録されたアクションの詳細なキャラクタリゼーションが保証されている。
  論文  参考訳（メタデータ） (2024-07-06T15:25:10Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。